Модель размечает именованные сущности в биомедицинских текстах и отдельно рассчитана на вложенные сущности, когда одна сущность находится внутри другой. В основе — transformer-энкодер для контекстных признаков и CRF (условное случайное поле, слой для последовательной разметки) для предсказания структурированных меток. Обучение и оценка шли на датасете GENIA, реализация — на PyTorch. Это исследовательская работа: автор приводит Precision 76,08%, Recall 74,55% и F1 75,30% на тестовой части GENIA. Пригодится для разбора научных текстов и экспериментов с nested NER.
Ключевые особенности
Поддержка nested NER: модель рассчитана на сущности, вложенные друг в друга.
Transformer-энкодер + CRF для контекстных представлений и последовательной разметки.
Обучение и тест на GENIA — биомедицинском корпусе.
На тесте GENIA: Precision 76,08%, Recall 74,55%, F1 75,30%.
PyTorch; в репозитории есть encoder, tokenizer, config.json, model_state.pt и test_metrics.json.
Что можно сделать
Размечать биомедицинские сущности в научных абстрактах и статьях для literature mining.
Использовать как исследовательский baseline для nested NER и сравнения с другими CRF/transformer-подходами.
Проверять, как модель работает на другой разметке или домене: карточка прямо предупреждает, что нужна дополнительная оценка.
Встроить в пайплайн извлечения информации, если нужна разметка вложенных сущностей GENIA.
Пример
Сценарий из карточки: подать фрагмент биомедицинской статьи в token-classification pipeline и получить разметку сущностей, включая вложенные.
ПодробнееТест GENIA: Precision 76,08%, Recall 74,55%, F1 75,30%. Gold Entities — 5 029, Predicted Entities — 4 928. Ограничение: качество зависит от датасета, схемы аннотации и набора меток; вне обучающего домена нужна отдельная проверка. Базовая модель в карточке не указана; реализация на PyTorch.
Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.
Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.
HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.
# mallika123/dice-nest-crf-genia — A30, FP8 / INT8
# Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
. /etc/os-release && \
curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
sudo apt-get update && \
sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
{ echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
exit 0
fi
curl -LsSf https://astral.sh/uv/install.sh | sh
source "$HOME/.local/bin/env"
uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
uv pip install vllm
vllm serve mallika123/dice-nest-crf-genia --max-model-len 8192 --quantization fp8
Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.
Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.
Как ускорить
Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.
Комментарии